<![CDATA[Timbunan sampah merupakan akumulasi limbah padat yang dihasilkan dari berbagai aktivitas manusia, baik dari sektor rumah tangga, komersial, industri, maupun institusional, dalam suatu wilayah tertentu. Timbunan ini diukur dalam satuan volume dan berat per satuan waktu. Seiring dengan pertumbuhan penduduk dan aktivitas ekonomi, volume sampah yang dihasilkan cenderung meningkat setiap harinya. Peningkatan ini tidak hanya menimbulkan tantangan dalam hal pengumpulan dan pembuangan, tetapi juga berdampak langsung terhadap besarnya anggaran yang dibutuhkan untuk pengelolaan serta ketersediaan lahan yang semakin terbatas untuk penanganan akhir. Oleh karena itu, perencanaan pengelolaan sampah yang efektif dan berkelanjutan menjadi hal yang sangat penting, dan hal tersebut dapat didukung dengan adanya sistem prediksi volume sampah yang akurat. Penelitian ini bertujuan untuk membangun model prediksi volume sampah harian menggunakan metode Backpropagation Neural Network yang merupakan salah satu jenis jaringan syaraf tiruan yang banyak digunakan dalam pemodelan data non-linear dan pemrosesan pola. Data historis timbunan sampah dari tahun 2022 dan 2023 digunakan sebagai data latih untuk membentuk model, dengan tujuan menghasilkan prediksi volume sampah pada tahun 2024. Proses pembangunan model mencakup beberapa tahap, yaitu praproses data, perancangan arsitektur jaringan (termasuk jumlah neuron, lapisan tersembunyi, dan fungsi aktivasi), pelatihan model menggunakan algoritma backpropagation, serta pengujian model terhadap data baru. Model prediksi ini diimplementasikan ke dalam sebuah aplikasi berbasis web yang dikembangkan menggunakan bahasa pemrograman PHP dan sistem manajemen basis data MySQL. Aplikasi ini dirancang untuk dapat digunakan oleh instansi pengelola sampah sebagai alat bantu dalam merencanakan dan mengelola volume timbunan sampah secara lebih efisien dan berbasis data. Hasil penelitian menunjukkan bahwa metode Backpropagation Neural Network memiliki potensi yang baik dalam mempelajari pola historis timbunan sampah dan menghasilkan prediksi yang relevan. Namun, penelitian ini masih memiliki keterbatasan, terutama pada aspek evaluasi kuantitatif model, seperti pengukuran akurasi menggunakan nilai Mean Squared Error (MSE), Root Mean Squared Error (RMSE), atau Mean Absolute Percentage Error (MAPE) yang belum dilakukan secara mendalam. Oleh karena itu, penelitian ini merekomendasikan pengembangan lebih lanjut, antara lain dengan menambahkan proses validasi dan evaluasi model secara sistematis, memperluas cakupan data historis agar mencakup lebih banyak variabel yang berpengaruh, serta mengoptimalkan arsitektur jaringan untuk meningkatkan performa dan keandalan hasil prediksi.]]>
